用于类别学习的贝叶斯半参数纵向逆概率混合模型
统计方法学
2025-01-01 v4
摘要
理解成人大脑如何学习新类别是神经科学中的一个重要问题。漂移扩散模型因其能够模拟潜在的神经机制而在此类情境中广受欢迎。Paulon 等人（2021）最近开发了一种用于渐进式纵向学习的此类模型。然而，拟合传统的漂移扩散模型需要类别响应和相关的响应时间数据。在实践中，类别响应准确度往往是行为科学家记录的用于描述人类学习的唯一可靠指标。然而，据我们所知，文献中从未考虑过针对此类场景的漂移扩散模型。为填补这一空白，本文在 Paulon 等人（2021）的基础上精心构建，但将潜在响应时间积分掉，从而推导出一类新颖的、具有生物学可解释性的“逆概率”类别概率模型，仅用于观测到的类别。然而，这个新的边际模型带来了 Paulon 等人（2021）的联合模型原本未遇到的显著可识别性和推断挑战。我们使用一种新颖的基于投影的方法，并施加保持对称性的可识别性约束，使我们能够在无约束空间中使用共轭先验，从而应对这些新挑战。我们调整模型以适应纵向环境中的群体和个体层面推断。再次基于模型的潜变量表示，我们设计了一个高效的马尔可夫链蒙特卡洛算法用于后验计算。我们通过模拟实验评估了该方法的经验性能。该方法在纵向声调学习研究中的应用说明了其实际功效。
引用
@article{arxiv.2112.04626,
title = {Bayesian Semiparametric Longitudinal Inverse-Probit Mixed Models for Category Learning},
author = {Minerva Mukhopadhyay and Jacie R. McHaney and Bharath Chandrasekaran and Abhra Sarkar},
journal= {arXiv preprint arXiv:2112.04626},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:1912.02774